这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
GRBA：无监督图表示学习中的后门攻击方法研究
1. 作者与发表信息
本研究由Bingdao Feng（天津大学智能与计算学部）、Di Jin（天津大学智能与计算学部）、Xiaobao Wang（通讯作者，天津大学）、Fangyu Cheng（哈尔滨工业大学建筑学院）和Siqi Guo（卡内基梅隆大学电气与计算机工程系）共同完成，发表于Neural Networks期刊（2024年，第180卷，文章编号106668）。
2. 学术背景
研究领域：本研究属于图神经网络（Graph Neural Networks, GNNs）安全领域，聚焦于无监督图表示学习（unsupervised graph representation learning）中的后门攻击（backdoor attack）问题。
研究动机：近年来，无监督图表示学习方法（如DGI、GCC、GraphCL）因能有效学习节点或图的低维表示而受到广泛关注。然而，这类方法依赖互信息最大化技术，可能因数据污染导致模型学习到错误的表示，进而影响下游任务（如节点分类、图分类）。尽管已有研究探索了监督学习中的后门攻击，但无监督图学习的后门攻击仍未被充分研究。
研究目标：
- 提出首个针对无监督图学习的后门攻击方法GRBA（Graph Representation Backdoor Attack），无需依赖下游任务标签即可破坏图表示。
- 验证GRBA在节点级（如节点分类、节点聚类）和图级任务（如图分类）中的有效性。
- 分析攻击参数（如触发子图大小、嵌入比例）对攻击效果的影响。
3. 研究流程与方法
3.1 触发子图设计与嵌入
- 触发子图生成：采用Erdős–Rényi（ER）模型生成随机子图，参数包括触发节点数（(s)）、边密度（(\rho)）和嵌入比例（(\gamma)）。
- 特征构造：触发节点的特征从高斯分布中采样，均值和方差基于真实节点计算。
- 嵌入策略：
- 节点级任务：在训练阶段嵌入触发子图，替换原始节点；推理阶段在目标节点周围添加触发子图。
- 图级任务：直接在图数据中嵌入触发子图。
3.2 节点级后门攻击（GRBA核心方法）
- 攻击目标：通过双优化问题定义攻击，最小化未受触发节点的影响，同时最大化受触发节点的表示破坏：
[ \min{\theta} \mathcal{L}(G{v \notin N(t)}; f\theta(G{v \notin N(t)})) \quad \text{s.t.} \quad \theta = \arg\max{\theta^*} \mathcal{L}(G{v \in N(t)}; f{\theta^*}(G{v \in N(t)})) ]
其中，(N(t))为受触发影响的节点集合，(f_\theta)为图编码器。
- 损失函数：
- 攻击有效性损失（(\mathcal{L}_{eff})）：降低受触发节点的互信息得分。
- 攻击隐蔽性损失（(\mathcal{L}_{eva})）：确保未受触发节点的表示准确性。
3.3 扩展至标签空间与图级攻击
- 标签空间攻击（GRBA-y）：若攻击者获取下游任务标签，可直接优化交叉熵损失，强制模型将受触发节点分类至目标类别。
- 图级攻击：基于GCC模型，通过污染图表示误导分类器，目标是将触发图错误分类。
3.4 实验设计
- 数据集：
- 节点级任务：Cora、Citeseer、PubMed。
- 图级任务：DBLP、IMDB等预训练数据集，Collab、IMDB-B等测试数据集。
- 基线方法：对比BGA、CLBA、GTA等监督学习后门攻击方法。
- 评估指标：攻击成功率（ASR）、干净数据准确率下降（CAD）。
4. 主要结果
4.1 节点级攻击效果
- 攻击成功率（ASR）：GRBA在Citeseer上达82.25%，显著优于基线（如GTA的68.33%）。
- 隐蔽性（CAD）：GRBA对未受触发节点的影响最小（Citeseer上CAD仅4.45%）。
- 节点聚类任务：GRBA表现更优（PubMed上ASR达95.16%），说明其对无监督任务更具破坏性。
4.2 标签空间攻击（GRBA-y）
- 在Citeseer上ASR达65.49%，与监督学习方法（如GTA的65.80%）相当，证明GRBA-y可有效结合标签信息。
4.3 参数敏感性分析
- 触发子图大小（(s)）：(s=3)时攻击效果最佳，过大或过小均降低ASR。
- 嵌入比例（(\gamma)）：ASR随(\gamma)增加而提升，但超过10%后增速放缓。
4.4 图级攻击效果
- GRBA在RDT数据集上ASR达53.23%，优于基线（如BGA的49.08%），且CAD更低（4.41%）。
5. 结论与价值
- 科学价值：首次系统研究无监督图学习的后门攻击问题，提出GRBA框架，填补了该领域空白。
- 应用价值：揭示了无监督图模型的潜在安全风险，为防御策略（如对抗训练）提供理论基础。
- 方法创新：
- 基于梯度的一阶攻击策略，直接破坏图表示而非依赖标签。
- 双优化目标兼顾攻击有效性与隐蔽性。
- 可扩展至标签空间与多下游任务。
6. 研究亮点
- 首创性：首个针对无监督图表示学习的后门攻击方法。
- 通用性：适用于节点分类、聚类及图分类等多种任务。
- 灵活性：支持无标签攻击（GRBA）和标签空间攻击（GRBA-y）。
- 强攻击性：在多个数据集上ASR超过80%，且对干净数据影响极小。
7. 其他有价值内容
- 局限性：当前方法需已知训练模型与数据，未来可探索黑盒攻击场景。
- 未来方向：研究更复杂的触发模式（如动态触发子图）及防御方法。
这篇报告全面介绍了GRBA的研究背景、方法、实验及贡献，为图神经网络安全领域的研究者提供了重要参考。